技術分野
③ ディープラーニングの概要
G検定シラバス2024の「ディープラーニングの概要」に含まれる全52用語を、シラバスに沿って要点を絞って解説します。NEW はシラバス2024で新たに追加されたキーワードです。
読み込み中…
🔗 個別ページにある「📘 もっと深く学ぶ」はE資格レベルの発展解説への案内です。G検定対策としては、この章の説明と個別ページの内容で十分です。
📖 各カードの「くわしく見る」から、その用語だけを掘り下げた解説ページへ移動できます。仕組み・混同しやすい用語との違い・よくある誤りの選択肢まで載せています。
11. ニューラルネットワークとディープラーニング
12. 活性化関数
シグモイド関数
出力を0〜1に押し込めるS字型の関数。確率として扱いやすい反面、勾配消失を起こしやすいです。
試験のポイント近年は中間層でほとんど使われないが二値分類の出力層では使う
勾配消失問題
層をさかのぼるほど勾配が小さくなり、入力層側がほとんど学習されなくなる現象です。
試験のポイントシグモイド・tanhで起きやすく、ReLUで緩和される
13. 誤差関数
Contrastive Loss
似たもの同士は近く、違うもの同士は遠くなるように学習させる損失関数です。
試験のポイントTriplet Loss（3つ1組）との違い
Triplet Loss
基準・正例・負例の3つを使い、正例は近く負例は遠くなるように学習する損失関数です。
試験のポイント顔認識・類似検索で用いられる
カルバック・ライブラー情報量 (KL)
2つの確率分布がどれだけ違うかを測る指標。ただし「距離」ではありません。
試験のポイントVAEなどで利用される
14. 正則化
15. 誤差逆伝播法
勾配消失問題
層をさかのぼるほど勾配が小さくなり、入力層側がほとんど学習されなくなる現象です。
試験のポイントシグモイド・tanhで起きやすく、ReLUで緩和される
16. 最適化手法
※最適化手法の世代順を明確にするため、シラバスの記載順序とは変更した順番で掲載しております。
確率的勾配降下法 (SGD)
一部のデータだけを使って更新する勾配降下法。揺らぎがあることが逆に利点になります。
試験のポイントバッチ学習より更新回数を増やせる
ノーフリーランチの定理
「どんな問題でも一番強い手法」は存在しない、という定理です。
試験のポイント「みにくいアヒルの子の定理」とセットで押さえることがある
G検定 実践模試 2026（全145問）
本番と同じ形式・分量で演習できるオリジナル模試です。図解つきの詳細解説で、覚えた用語を「解ける知識」に変えます。
詳細を見る →ご利用にあたって 本ページの内容は、JDLAが公開しているG検定シラバス2024や公式テキストなど、一般に公開されている情報をもとに独自に整理・解説したものです。実際の試験の出題内容を示すものではなく、また合格を保証するものでもありません。制度・法令・試験要項は変更されることがあるため、最新の情報は必ずJDLA公式サイトでご確認ください。